Jornal de Ciências Clínicas e Médicas

Abstrato

Avaliação de desempenho de técnicas de extração de características de textura de última geração em tarefas de imagens médicas

Samuel Kusi-Duah*, Obed Appiah, Peter Appiahene

Objetivo: Interpretar imagens médicas é certamente uma tarefa complexa que requer amplo conhecimento. De acordo com o Computer Aided Diagnosis (CAD), serve como uma segunda opinião que ajudará os radiologistas no diagnóstico e, por outro lado, a recuperação de imagens baseada em conteúdo usa conteúdo visual para ajudar os usuários a navegar, pesquisar e recuperar imagens médicas semelhantes de um banco de dados com base no interesse do usuário. A competência do sistema CBMIR depende de métodos de extração de características. As características texturais são muito importantes para determinar o conteúdo de uma imagem médica. As características texturais fornecem profundidade cênica, a distribuição espacial da variação tonal e a orientação da superfície. Portanto, este estudo busca comparar e avaliar algumas das técnicas de extração de características de textura artesanais no CBMIR. Isso é para ajudar aqueles interessados ​​em aprimorar os sistemas CBIR a tomar decisões informadas sobre a seleção das melhores técnicas de extração de características texturais.

Abordagem: Como não há uma indicação clara de qual das várias técnicas de extração de características de textura é mais adequada para uma determinada métrica de desempenho ao considerar qual das técnicas escolher para um estudo específico em sistemas CBMIR. O objetivo deste trabalho, portanto, é avaliar comparativamente o desempenho das seguintes técnicas de extração de características de textura; Padrão Binário Local (LBP), filtro Gabor, Matriz de Coocorrência de Nível de Cinza (GLCM), descritor Haralick, Características do Teste de Segmento Acelerado (FAST) e Características do Teste de Segmento Acelerado e Características Elementares Independentes Robustas Binárias (FAST e BRIEF) usando as métricas; precisão, recall, pontuação F1, Erro Quadrático Médio (MSE), exatidão e tempo. Essas técnicas são acopladas com medida de similaridade específica para obter resultados.

Resultados: Os resultados mostraram que LBP, descritor de Haralick, FAST e GLCM tiveram os melhores resultados em termos de (precisão e exatidão), tempo, pontuação F1 e recall, respectivamente. LBP teve pontuações de 82,05% e 88,23% para precisão e exatidão, respectivamente. As pontuações a seguir representam o desempenho dos modelos descritor de Haralick, FAST e GLCM, respectivamente; 0,88s, 38,7% e 44,82%. Essas pontuações de teste são obtidas de conjuntos de dados que variam de 1 k a 10,5 k.

Conclusão: Além de LBP superar os outros 5 modelos mencionados, ele ainda superou os seguintes modelos propostos. Recurso de textura Tamura e transformada wavelet combinados com distância de Hausdorff em termos de (precisão, exatidão e recall) e (precisão e recall) respectivamente e provavelmente pontuação F1 (já que pontuação F1 é a média ponderada de precisão e recall). Acredita-se que um conjunto de LBP, descritores de Haralick e Support Vector Machine (SVM) pode representar um sistema robusto para recuperação e classificação de imagens médicas.